城市服务，成为了具身智能的新考场？

从工厂到城市：具身智能的“考场”与“解法”

同样是机器人，在工厂车间和城市马路上，它们面对的是截然不同的世界。在工厂这样的结构化场景中，机器人落地已相当成熟。但一旦进入城市这样的开放环境，难度便急剧上升。城市户外机器人需要7×24小时不间断工作，这就要求它必须能承受风吹日晒，并应对人来车往的复杂环境。

正如中国信息通信研究院在《具身智能发展报告》中指出的，当前行业面临“数据、模型、本体、场景难闭环”的困境。然而，2026年的具身智能正从技术验证期迈向场景落地期，而城市服务，正成为检验这一落地能力的关键“考场”。

面对这一挑战，以“具身智能服务城市开放场景”为目标的库萨科技，做出了一个清晰的选择：

在库萨看来，要填平规模化落地的鸿沟，研发和工程化能力必须同时过硬。

库萨科技成立于2023年，核心团队来自清华、上海交大等高校，核心成员拥有15年整车、机器人与自动驾驶研发与管理经验。其核心产品是面向城市开放场景的服务机器人，已在全国超过40个城市落地运营。

2024年7月中旬，库萨科技发布了具身智能开发平台

。该平台定位明确，是专为城市级具身智能部署打造的工程化平台，从数据采集、模型训练到多端部署、远程运维，形成了全栈闭环。作为少数真正进入这个“考场”的公司，库萨希望借此回答一个行业难题：

01. 城市级具身智能，为什么这么难？

许多自动驾驶团队转型做机器人，起初都认为只需将二维问题提升到三维。库萨的团队也曾如此认为。但从平面到空间，难度看似不大，真正深入场景后才发现，

例如，一台乘用车的任务是从A到B，只需不碰撞、体感好就算成功。而一台城市环卫机器人则相反，它需要主动与各种物体发生接触并做出判断。

举个具体例子：马路上一个鼓鼓囊囊的黑色塑料袋，里面可能是砖头、装满水的矿泉水瓶，或是空瓶子？实际上，需要的处理方式天差地别。对于自动驾驶，碾过去或绕开即可；但环卫机器人得尝试去清扫，扫不动再决定怎么办。环卫的硬指标是把垃圾扫干净，看到东西就绕开等于没干活。

评价方法变了，背后隐藏着一个被低估的维度和难点：

。

库萨科技联合创始人兼CTO陶圣表示，自动驾驶不太关心接触力学，因为汽车行业已有多年积累，底盘“早就做好了”。但城市服务机器人必须做到，将末端清扫结构的力矩反馈、旋转控制与整车控制完全耦合。从“车”到“机器人”的跨越，区别就在这里。而要处理好物理交互，光靠传感器不够，还得让模型理解物理世界本身。

02. 为什么偏偏选择城市场景？

陶圣表示，核心判断在于看到了真实且迫切的需求。城市空间复杂度高、技术壁垒强，同时能直接产生可落地的商业化价值，是验证具身智能工程化能力最合适的土壤。更关键的是，城市服务机器人行业的市场渗透率很低，还不足1%，是尚待开发的蓝海。

这是一件“难而正确”的事，值得长线技术投入。这种高门槛，决定了城市级具身智能需要一套专用的工程平台。库萨的答案就是

，这需要先从三块核心技术说起。

03. 底座、燃料和大脑：三块核心技术

这次发布的三块核心技术，各自分工明确：

• Kusa OS
  ：面向城市级具身智能的专用操作系统，负责机器人的稳定运行和实时调度。

• Corner Factory
  ：数据工厂，负责从数据中自动挖掘、清洗、标注长尾场景。

• Kusa Omni-CTS
  ：全模态具身模型，负责从场景感知、认知理解到动作输出的完整链路。

三块技术回答的是同一个问题：

Kusa OS：跑得稳的底座

Kusa OS首先解决的问题是“跑得稳”。这套操作系统的起点要追溯到2018年，库萨核心团队当时还在做码头无人驾驶。ROS2是机器人圈最主流的开源软件框架，设计上重视灵活性和易用性，但代价是硬实时性不够，会有不可预期的延迟和抖动，在长期稳定性和实时性要求非常高的城市服务场景中存在潜在风险。这也是库萨从底层自研Kusa OS的核心原因。

与城市服务一样，码头场景也需要7×24小时不断电运行，对长期稳定性和实时性要求非常高。库萨从场景真实需求出发，基于数据分发技术从头自研了一套系统，核心思路是让系统更加精简，每个模块都严格可控，系统更小，就能更稳定。

在长期迭代过程中，它为行业解决了三件事：

不过，过去几年里自研OS的代价也是实打实的。陶圣坦言：“到现在我都依然在纠结”。最大的挑战是工具链不完备，ROS2社区原本有大量开源贡献，覆盖了从实时可视化监测到机器人动力学仿真等全链路，但自研就全都要自己建。库萨的解法是另起炉灶，做一套编程工具链，用描述性语言自动生成初始化代码，让迁移成本尽量低。自研付出的代价，终于换来了底层的自由度和实时稳定度。

Corner Factory：学得快的燃料

如果说OS是底座，那么Corner Factory就是燃料，因为它解决了“持续学”的问题。库萨的数据飞轮“跑通”体现在，公司第一个量产产品落地时，整套管线就已经打通了，现在自动标注的占比也从早期的80%提升到了90%以上。

根据陶圣的介绍，一条完整的数据链路是这样运转的：

1. 机器人在作业中遇到异常触发停车，自动保存前后若干秒的多传感器数据。
2. 回到作业站点后，由专门的数据采集器传回数据工厂。
3. 先完成人脸、车牌等脱敏，进入自动标注，从早期的2D分割分类，升级到3D占用网格和三维重建。
4. 人工做最后的修补和确认。
5. 由专用模型筛选哪些是真正值得学习的长尾场景，入库后喂给模型训练。

在Corner Factory中，Kusa Omni-CTS基于单帧真实场景输入生成时序视频流，并从中同步派生3D点云及OCC语义占用。Kusa Omni-CTS将OCC/3D点云确立为核心中间表征，在二维观测与三维结构间构建物理级空间约束，确保空间理解的准确性，支撑数据闭环的高效运转与模型周级迭代。

但陶圣也直言：“数据飞轮或者管线并不是壁垒，数据才是真正的壁垒。因为数据跟场景极相关，没见过就是没见过，不可能靠工程师脑补。数据飞轮带来的先发优势，本质上需要用时间乘以量。”

Kusa Omni-CTS：懂场景的大脑

最上层的Omni-CTS作为大脑，解决的是让机器人“懂场景”的工程化难题。陶圣解释，库萨模型的“第一性原理”是：难点不在某个具体技术，而在思维方法的转变。他甚至自嘲：“我们就是个缝合怪”。但缝合不是拼凑，是把视频生成、时空编码、3D Gaussian等不同领域的前沿思路，拼成一套原创的解法。工程化领域有个更准确的说法，这是模型结构的创新——它突破了模型异步输入的难点。

核心问题也很具体。在真实的机器人上，多个传感器天生就对不齐。比如激光雷达10赫兹、相机30赫兹、IMU可能1000赫兹，数据来的节奏完全不同。强制同步要么等待卡顿，要么产生矛盾，模型性能就会直接大幅往下掉。

Kusa Omni-CTS要解决的就是这个问题，它的解法分了两层：

• 第一层，跨模态异步特征对齐。
  摒弃传统离散帧对齐，在高维隐空间构建连续时空曲线，视觉、激光、IMU、力矩反馈各按各的节奏采集，进入模型后自动“对表”，让数据自然流动，不再依赖昂贵的硬件同步。

• 第二层，物理一致性预测。
  这正是对“物理交互”难题的回应。在高维空间构建符合物理动力学的连续轨迹，模型不仅能理解当前发生了什么，还能基于物理规律和环境变化，提前推测接下来可能发生的状况，再选择最合理的执行方式。

从硬件角度来说，这套设计的硬件变更其实不多，但它解决了时间抖动时模型能力大幅下降的问题。在具身领域，多模态融合才是最终的解决方案，既有上限，也能兜底。

对库萨来说，研发和工程化从来不是两件事。单有研发，落不了地；单有工程化，守不住技术门槛。库萨选择把这两件事放在同一张桌上做。Kusa Omni-CTS的结构创新、自研OS的底层重构，背后都是实打实的研发功底；而OS、数据飞轮、全模态融合的耦合，又把研发成果变成了跑得稳、学得快的工程系统。可以说，

三块技术合起来，形成了一个认知进化的闭环。往深一层看，每一个单点技术都有可能在短期内被复制，但OS、数据飞轮、全模态融合的耦合深度，再乘以城市场景的时间积累，形成了全栈协同的系统性优势，为库萨这家公司构筑了独特的护城河。

04. 跑通了吗？

既然上文提到这是一场考试，那么更重要的是成绩如何。目前，库萨的具身智能产品已经部署到了40多个城市里。从增速看，三年的时间从0起步，交付规模连续以数倍甚至数十倍的速度扩张，如此陡峭的爬坡曲线，在这个细分赛道里还没有第二家。在中大型开放道路场景，库萨已经进入跑通商业模型、产生实际作业价值的常态化运营阶段。

但陶圣紧接着就开始“降温”。从存量看，规模化问题还没有完美解决。场景泛化能力还要增强，硬件还没经过极端天气考验，产能从单线500台爬到5000台的里程碑，也还在进行中。他的原话很直白，对于行业来说分量也很重：“没有验证之前，都还是打嘴炮。”这是因为量产爬坡从0到1是突破，1到100是突破，100到10000也是突破，每个阶段面对的问题都不一样，很多时候说不清哪个阶段“更难”。唯一可以确定的是，在这条坡道上，技术迭代一定是被真实需求推着走的——真实世界里的长尾场景，永远比预设的多。

第一个有说服力的场景：一根“不起眼”的鱼竿

库萨从市政道路往公园、园区、景区等更靠近人的场景走，有时候会碰到钓鱼的人把鱼竿支在那儿，一两厘米粗、孤零零一根。团队以前做的是地面分割，检测水管电线，从没想过空中会有这么细的东西，只能重新采数据训练。陶圣从中收获了一个感悟：

第二个案例：“书包旁的纸与铅笔”

傍晚，机器人看到书包、纸笔，旁边有学生在跑。靠这幅画面的语义理解，它能判断前方奔跑的学生可能是文具的主人，书包和文具都属于临时存放，选择不清扫；第二天，书包和人都不在了，同样的一张纸，就会被判定为遗留垃圾。这个场景判断的实现，靠的是大模型对整张图片的语义理解能力，能把人、物、时间、空间关联起来。

无论是识别一根鱼竿，还是理解一个放学场景，这些迭代之所以能快速发生、快速部署到机器人体内，背后靠的是Corner Factory的数据飞轮，和Kusa Robo Platform的通用型。

平台通用性：一脑管理多形

长尾场景之外，平台还要跨得住形态的切换。平台通用性最硬的证据，是一脑管理多形。同一套栈，短期内就从轮式机器人切到了双轮足式，机械臂控制也从一个轮式车型上的2到3个自由度，平滑扩展到多自由度。换句话说，平台不会被某一种机器人形态锁死。

跨形态适配的难点在本体动力学差异和控制矩阵差异，库萨的解法是硬件抽象层，把力矩、角度、圈数统一抽象成上层算法看不见的量，再由底层运动学模型转换成可执行的指令。陶圣打了个比方，就像人游泳时不会刻意去想手怎么打水，动作会慢慢变成肌肉记忆；一脑管理多形的奥秘也在于此，

未来平台进化最大的空间在哪？

陶圣给出的回答很明确：还是在大模型。OS底层枯燥、迭代慢、目前已经基本够用，而大模型正在回归数学本质，开始引入物理和数学的硬约束，比如用流体力学描述物理概念嵌入世界模型，让3D空间理解成为共识。具身智能的OS不会像手机那样一家独大，机器人场景的碎片化程度远超手机和PC，最后大概率是“多家分天下”。

在行业终局到来之前，库萨要做的，就是让城市服务机器人在更多纵深的场景里开箱即用，成为可靠、持续、可规模化的生产力伙伴，让城市的智慧运转变得更加高效、有韧性。